Jellyseerr与Emby/Jellyfin集成中"最近添加"扫描问题的解决方案
2025-06-09 20:11:43作者:霍妲思
问题现象
在使用Jellyseerr媒体请求系统时,用户发现与Emby媒体服务器的集成存在一个功能异常:当通过Jellyseerr请求电影或电视剧并成功下载到Emby媒体库后,执行"最近添加"扫描操作时,系统无法正确识别新添加的媒体内容。该问题在Emby 1.8.1版本中确认存在,且同样影响Jellyfin用户。
根本原因分析
经过技术团队排查,这个问题并非Jellyseerr本身的缺陷,而是与媒体服务器(Emby/Jellyfin)的库配置设置有关。关键在于媒体服务器记录"添加日期"的方式设置不当:
- 默认情况下,Emby/Jellyfin可能使用文件系统元数据中的创建日期作为"添加日期"
- 当文件被移动或重命名时,这个日期可能不会更新
- Jellyseerr的扫描功能依赖于正确的"添加日期"来判断内容是否为新添加
解决方案
对于Emby用户
- 登录Emby管理仪表盘
- 导航至"库"部分
- 选择"高级库设置"
- 找到"日期添加行为"选项
- 将其从默认值修改为"库扫描时间"
对于Jellyfin用户
- 登录Jellyfin管理仪表盘
- 进入"仪表盘 > 库"
- 选择"显示"选项卡
- 找到"日期扫描"选项并启用
技术原理
这个设置变更的本质是让媒体服务器使用实际内容被扫描到库中的时间作为"添加日期",而不是依赖文件系统的元数据。这样做有以下优势:
- 确保日期标记与实际入库时间一致
- 避免因文件操作(移动、复制等)导致的时间戳混乱
- 与Jellyseerr的扫描机制完美配合
最佳实践建议
- 定期检查媒体服务器的库设置,确保与自动化工具兼容
- 在进行大规模媒体文件操作后,建议手动触发库扫描
- 对于使用多种自动化工具的环境,保持各系统的时间设置一致
总结
通过调整Emby/Jellyfin的库日期记录方式,可以完美解决与Jellyseerr集成中的"最近添加"扫描问题。这体现了媒体管理系统集成时配置一致性的重要性,也提醒我们在遇到类似问题时,不仅要检查主系统,也要关注相关集成的配置细节。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
638
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
148
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
226
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310